CN104199961A - 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 - Google Patents

Abstract

本发明公开了一种基于数据挖掘的公共建筑能耗监管平台数据处理方法，其特征在于，包括以下步骤：S1、问题数据初步识别；S2、根据历史数据建立用能模式特征参数集；S3：问题数据精细识别；S4：问题数据智能补充。本发明的有益之处在于：本发明的方法具有智能性、实时性和通用性；通过对历史能耗数据按照不同用能模式分类，建立建筑用能耗模式特征参数集，实现了对能耗监管平台问题数据的分类识别、清洗、智能补充的一体化处理，克服了目前公共建筑能耗监管平台数据处理方法智能性不足、问题数据补充方法缺乏合理性的问题；同时，运用本发明的方法能够很好的实现能耗监管平台数据质量评价、能耗预估、问题数据报警，以及提供可靠的故障排查建议。

Description

一种基于数据挖掘的公共建筑能耗监管平台数据处理方法

技术领域

本发明涉及一种数据处理方法，具体涉及一种基于数据挖掘的公共建筑能耗监管平台数据处理方法，属于数据处理技术领域。

背景技术

据统计，全球建筑能耗大约占能源总消耗量的三分之一。在我国的能源消费主体中，建筑能耗所占的比例已经达到35％，随着社会的发展，我国建筑能耗总量和在能源总消费的比例还有持续上升的趋势。其中，公共建筑能耗始终居高不下，虽然公共建筑数量仅占总建筑数量的5％左右，但能耗却占建筑总能耗的22％。与此同时，我国正面临着能源短缺和环境恶化的双重压力，建筑节能减排迫在眉睫。因此监测、控制公共建筑能耗成为建筑节能的一项重要工作。

建立公共建筑能耗监管平台、进行能耗分项计量是公共建筑能源管理体系的一项重要内容。它将信息技术与节能监管体系相结合，实现对公共建筑能耗的实时监测和管理。目前，许多公共建筑建立了能耗监管平台，并且在运营过程中积累了大量数据。然而大量数据也带来了“数据灾难”，由于“技术”和“管理”等方面的原因，能耗监管平台运行过程中会产生大量存在问题的数据，管理人员难以有效的发现和处理这些问题数据，最终导致能耗监测数据与建筑真实能耗相差甚远。数据质量差的公共建筑能耗监测平台非但不能促进建筑节能工作的开展，还会干扰、误导建筑节能工作的正常进行。因此，如何及时发现和处理这些问题数据，提高能耗监管平台数据质量是一个亟待解决的问题。

目前的问题数据处理方法大致可以分为两类：一类是单纯的设定阀值处理法，另一种是相对智能的数据处理方法。设定阀值法阀值难以确定，阀值选取不当对数据处理结果影响极大，且缺乏智能性。目前常用的智能处理方法，对季节、区域环境等因素考虑不足，动态适应性不够理想，而且缺少智能的问题数据补充方法。

发明内容

针对目前能耗数据处理方法缺乏智能性、数据补充手段不够合理等问题，本发明的目的在于提供一种能够有效提高公共建筑能耗监管平台数据质量和能耗监管水平的基于数据挖掘的公共建筑能耗监管平台数据处理方法。

为了实现上述目标，本发明采用如下的技术方案：

一种基于数据挖掘的公共建筑能耗监管平台数据处理方法，其特征在于，包括以下步骤：

S1、问题数据初步识别：识别出能耗数据中由于计量、传输和记录设备故障产生的数据缺失、数据突变的问题数据；

S2、根据历史数据建立用能模式特征参数集：按照影响因素将建筑和/或设备能耗数据精细分为若干用能模式，计算出每类用能模式能耗数据集的数学期望和方差，以数学期望和方差作为用能模式的特征参数，建立起包含所有用能模式特征参数的数据集，其中，前述影响因素包括：能耗数据发生时刻、发生时刻所在天是否是休息日、气象参数；

S3：问题数据精细识别：根据S2所述用能模式特征参数数据集将能耗数据与所属的用能模式匹配，根据用能模式特征参数集判断能耗数据是否离群，如果离群则该能耗点为由于使用者异常用能行为导致的用能异常数据点；

S4：问题数据智能补充：将问题数据与用能模式匹配，根据用能模式特征参数集，采用拉格朗日算法对问题数据进行智能补充。

前述的基于数据挖掘的公共建筑能耗监管平台数据处理方法，其特征在于，前述S1、问题数据初步识别，包括以下步骤：

S11：对问题数据进行分类，包括缺失数据和突变数据；

S12：根据聚类算法得到缺失数据、突变数据单位时间内能耗最大值，即阀值F；

S13：对计量表累计示数数据进行图形识别，建立起针对缺失数据和突变数据的识别公式：

缺失数据识别公式：

A_i＝0或A_i为空     式(1)

突变数据识别公式：

A_i-A_i-1<0或A_i-A_i-1>F   式(2)

其中A_i为第i时刻计量表累计示数,A_i-1为第i-1时刻计量表累计示数，F为阀值；

S14：根据式(1)和式(2)识别缺失数据、突变数据，记录能耗数据中缺失数据数目、突变数据的数目；

S15：将识别出的突变数据的计量表累积值赋为0。

前述的基于数据挖掘的公共建筑能耗监管平台数据处理方法，其特征在于，前述S2、根据历史数据建立用能模式特征参数集，包括以下步骤：

S21：为能耗数据添加是否是工作日标签、气象参数标签；

S22：根据能耗数据发生时刻、发生时刻所在天是否是休息日、气象参数将建筑和/或设备的用能模式精细的分为若干类；

S23：计算出每类用能模式对应能耗数据集的数学期望和方差，该数学期望和方差作为用能模式的特征参数；

S24：建立起包含所有用能模式特征参数的数据集。

前述的基于数据挖掘的公共建筑能耗监管平台数据处理方法，其特征在于，前述S4：问题数据智能补充，包括以下步骤：

S41：统计需要补充数据段内包含的问题数据点数目、问题数据对应的用能模式、问题数据发生前、后时刻计量表累积示数；

S42：根据用能模式特征参数集，采用拉格朗日算法对问题数据进行补充，补充值通过以下公式计算：

$E_i={\mathrm{\&mu;}}_i+\frac{{{\mathrm{\&Delta;}}_i}^2}{{\mathrm{\&Sigma;}}_{i=1}^n{{\mathrm{\&Delta;}}_i}^2}(B-A-{\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&mu;}}_i)$      式(3)

其中，E_i为第i个问题数据的补充值，μ_i为第i个问题数据匹配的用能模式数据的数学期望值，△_i为第i个问题数据匹配的用能模式数据的方差，n为问题数据段内问题数据的个数，A为问题数据发生前一时刻的计量表累积示数，B为问题数据发生后一时刻的计量表累积示数。

本发明的有益之处在于：本发明的方法具有智能性、实时性和通用性；通过对历史能耗数据按照不同用能模式分类，建立建筑用能耗模式特征参数集，实现了对能耗监管平台问题数据的分类识别、清洗、智能补充的一体化处理，克服了目前公共建筑能耗监管平台数据处理方法智能性不足、问题数据补充方法缺乏合理性的问题；同时，运用本发明的方法能够很好的实现能耗监管平台数据质量评价、能耗预估、问题数据报警，以及提供可靠的故障排查建议。

附图说明

图1是本发明的基于数据挖掘的公共建筑能耗监管平台数据处理方法的总体流程图；

图2是问题数据初步识别的流程图；

图3是根据历史数据建立用能模式特征参数集的流程图；

图4是问题数据智能补充的流程图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

参照图1，本发明的一种基于数据挖掘的公共建筑能耗监管平台数据处理方法，其包括以下步骤：

S1、问题数据初步识别：该步骤主要是识别出能耗数据中由于计量、传输和记录设备故障产生的数据缺失、数据突变的问题数据。

参照图2，问题数据初步识别具体包括以下步骤：

S11：对问题数据进行分类，包括缺失数据和突变数据。

S12：根据聚类算法计算得到缺失数据、突变数据单位时间内能耗最大值，即阀值F。

S13：对计量表累计示数数据进行图形识别，建立起针对缺失数据和突变数据的识别公式：

缺失数据识别公式：

A_i＝0或A_i为空    式(1)

突变数据识别公式：

A_i-A_i-1<0或A_i-A_i-1>F    式(2)

其中A_i为第i时刻计量表累计示数,A_i-1为第i-1时刻计量表累计示数，F为阀值。

S14：根据式(1)和式(2)识别缺失数据、突变数据，记录能耗数据中缺失数据数目、突变数据的数目。

S15：将识别出的突变数据的计量表累积值赋为0。

S2、根据历史数据建立用能模式特征参数集：该步骤主要是按照能耗数据发生时刻、发生时刻所在天是否是休息日、气象参数等影响因素将建筑和/或设备能耗数据精细分为若干用能模式，计算出每类用能模式能耗数据集的数学期望和方差，以数学期望和方差作为用能模式的特征参数，建立起包含所有用能模式特征参数的数据集。

参照图3，根据历史数据建立用能模式特征参数集具体包括以下步骤：

S21：为能耗数据添加是否是工作日标签、气象参数标签。

S22：根据能耗数据发生时刻、发生时刻所在天是否是休息日、气象参数将建筑和/或设备的用能模式精细的分为若干类。

S23：计算出每类用能模式对应能耗数据集的数学期望和方差，该数学期望和方差作为用能模式的特征参数。

S24：建立起包含所有用能模式特征参数的数据集。

S3：问题数据精细识别：该步骤主要是将能耗数据与所属的用能模式匹配，根据S2所述用能模式特征参数数据集判断能耗数据是否离群，如果离群则该能耗点为由于使用者异常用能行为导致的用能异常数据点。

S4：问题数据智能补充：该步骤主要是将问题数据与用能模式匹配，根据用能模式特征参数集，采用拉格朗日算法对问题数据进行智能补充。

参照图4，问题数据智能补充具体包括以下步骤：

S41：统计需要补充数据段内包含的问题数据点数目、问题数据对应的用能模式、问题数据发生前、后时刻计量表累积示数。

S42：根据用能模式特征参数集，采用拉格朗日算法对问题数据进行补充，补充值通过以下公式计算：

$E_i={\mathrm{\&mu;}}_i+\frac{{{\mathrm{\&Delta;}}_i}^2}{{\mathrm{\&Sigma;}}_{i=1}^n{{\mathrm{\&Delta;}}_i}^2}(B-A-{\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&mu;}}_i)$     式(3)

其中，E_i为第i个问题数据的补充值，μ_i为第i个问题数据匹配的用能模式数据的数学期望值，△_i为第i个问题数据匹配的用能模式数据的方差，n为问题数据段内问题数据的个数，A为问题数据发生前一时刻的计量表累积示数，B为问题数据发生后一时刻的计量表累积示数。

下面以北京市某办公建筑2013年全年用能数据为例对本发明的数据处理方法进行详细说明。

读取全年的用能数据，采用聚类算法计算出能耗阀值F：

F＝205kWh/h。

问题数据初步识别：

若A_i＝0或A_i为空，则认为A_i为由于设备故障产生的缺失数据；

若A_i-A_i-1<0或A_i-A_i-1>F，则认为A_i为由于设备故障引起的突变数据。

经过初步识别，发现缺失数据485个、突变数据20个。

为便于分析能耗模式的判别条件，需要构造新的属性：为经过初步识别的数据贴上是否是工作日和气象参数标签。根据是否是工作日、全天24小时、气温高低将全年数据精细分为144种用能模式，计算每种用能模式的数学期望μ和方差Δ。对经过初步识别后的数据进行用能模式匹配。若能耗数据值在其匹配的用能模式对应的数学期望和方差所限定的区域(μ-nΔ，μ+nΔ)外，则认为该能耗数据为用能异常数据。n宜取2-3之间的实数，具体值根据数据实际情况和用户对数据质量的要求进行选择，n值越大对问题数据识别的限定条件越宽松。本案例中n值取2。

经过问题数据精细识别，发现用能异常数据115个，用能异常数据只进行标记，不剔除。

根据问题数据智能补充方法，读取各问题数据段前后计量表累积示数和问题段包含数据点数目，并将问题数据与其用能模式匹配，根据公式(2)对485个缺失数据和20个突变数据进行补充，对115个异常数据计算其正常数据估计值。

根据统计的问题数据数目，计算出缺失数据率为5.5％、突变数据率为0.2％、用能异常数据率为1.3％、正常数据率为93％。

通过上述指标不仅可以对特定建筑能耗监管平台数据质量进行评估，还可以对不同的能耗监管平台数据质量进行横向比较。

对于实际运行建筑，可以根据历史数据的用能模式特征参数集预估出未来一段时间内的能耗范围。

对于采集到的实时数据，需要先判定其发生时刻对应的用能模式。如果此时刻计量表累积示数为A_i，前一时刻计量表累积示数为A_i-1，若A_i为0或空值，则A_i为缺失数据，向相关人员报警，此时应优先排查数据传输***是否出现故障；若A_i-A_i-1<0或A_i-A_i-1>F，则A_i为突变数据，向相关人员报警，此时应优先排查计量设备是否出现故障；若A_i-A_i-1<μ-2Δ或A_i-A_i-1>μ+2Δ,则A_i为用能异常数据，向相关人员报警，此时应优先排查建筑内是否存在不正常的用能行为。

由此可见，本发明的方法通过对问题数据分类识别、在历史能耗数据挖掘的基础上建立用能模式特征参数集、将建筑能耗实时监测数据与所属的用能模式匹配并与相同模式历史数据进行离群分析，从而判断历史或当前能耗数据是否正常，不仅实现了对能耗监管平台问题数据的分类识别、清洗、智能补充的一体化处理，而且为能耗监管平台数据质量评价、能耗预估、问题数据报警和故障排查建议提供了强大的支持。

综上所述，本发明的方法具有以下优点：

1、智能性。能够对建筑能耗数据进行分类识别和智能补充，在建筑实际运行过程中对当前数据进行分析，判断数据是否存在问题，对问题数据，可以指导监管人员对故障进行排查。

2、实时性。能够在建筑实际运行过程中对当前数据点进行分析，及时发现问题并报警。

3、通用性。能够识别任意公共建筑或设备运行中的用能模式，然后据此对能耗数据进行分析处理。

需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (4)

1.一种基于数据挖掘的公共建筑能耗监管平台数据处理方法，其特征在于，包括以下步骤：

S1、问题数据初步识别：识别出能耗数据中由于计量、传输和记录设备故障产生的数据缺失、数据突变的问题数据；

S2、根据历史数据建立用能模式特征参数集：按照影响因素将建筑和/或设备能耗数据精细分为若干用能模式，计算出每类用能模式能耗数据集的数学期望和方差，以数学期望和方差作为用能模式的特征参数，建立起包含所有用能模式特征参数的数据集，其中，所述影响因素包括：能耗数据发生时刻、发生时刻所在天是否是休息日、气象参数；

S3：问题数据精细识别：根据S2所述用能模式特征参数数据集将能耗数据与所属的用能模式匹配，根据用能模式特征参数集判断能耗数据是否离群，如果离群则该能耗点为由于使用者异常用能行为导致的用能异常数据点；

S4：问题数据智能补充：将问题数据与用能模式匹配，根据用能模式特征参数集，采用拉格朗日算法对问题数据进行智能补充。

2.根据权利要求1所述的基于数据挖掘的公共建筑能耗监管平台数据处理方法，其特征在于，所述S1、问题数据初步识别，包括以下步骤：

S11：对问题数据进行分类，包括缺失数据和突变数据；

S12：根据聚类算法得到缺失数据、突变数据单位时间内能耗最大值，即阀值F；

S13：对计量表累计示数数据进行图形识别，建立起针对缺失数据和突变数据的识别公式：

缺失数据识别公式：

A_i＝0或A_i为空     式(1)

突变数据识别公式：

A_i-A_i-1<0或A_i-A_i-1>F    式(2)

其中A_i为第i时刻计量表累计示数,A_i-1为第i-1时刻计量表累计示数，F为阀值；

S14：根据式(1)和式(2)识别缺失数据、突变数据，记录能耗数据中缺失数据数目、突变数据的数目；

S15：将识别出的突变数据的计量表累积值赋为0。

3.根据权利要求1所述的基于数据挖掘的公共建筑能耗监管平台数据处理方法，其特征在于，所述S2、根据历史数据建立用能模式特征参数集，包括以下步骤：

S21：为能耗数据添加是否是工作日标签、气象参数标签；

S22：根据能耗数据发生时刻、发生时刻所在天是否是休息日、气象参数将建筑和/或设备的用能模式精细的分为若干类；

S23：计算出每类用能模式对应能耗数据集的数学期望和方差，该数学期望和方差作为用能模式的特征参数；

S24：建立起包含所有用能模式特征参数的数据集。

4.根据权利要求1所述的基于数据挖掘的公共建筑能耗监管平台数据处理方法，其特征在于，所述S4：问题数据智能补充，包括以下步骤：

S41：统计需要补充数据段内包含的问题数据点数目、问题数据对应的用能模式、问题数据发生前、后时刻计量表累积示数；

S42：根据用能模式特征参数集，采用拉格朗日算法对问题数据进行补充，补充值通过以下公式计算：

$E_i={\mathrm{\&mu;}}_i+\frac{{{\mathrm{\&Delta;}}_i}^2}{{\mathrm{\&Sigma;}}_{i=1}^n{{\mathrm{\&Delta;}}_i}^2}(B-A-{\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&mu;}}_i)$     式(3)

其中，E_i为第i个问题数据的补充值，μ_i为第i个问题数据匹配的用能模式数据的数学期望值，△_i为第i个问题数据匹配的用能模式数据的方差，n为问题数据段内问题数据的个数，A为问题数据发生前一时刻的计量表累积示数，B为问题数据发生后一时刻的计量表累积示数。